金融行业的客户行为分析技术

ZDNET至顶网CIO与应用频道 07月22日 北京消息（文/王聪彬）：随着中国金融市场的快速发展，金融行业竞争形态的持续演化，以及监管力度的不断加强，IT咨询服务公司对金融企业的商业智能解决方案，也面临着不断的创新。

在主题为“乘数据之舟，达价值彼岸”的文思海辉商业智能解决方案研讨会上文思海辉首席架构师李飞在客户管理之道分论坛分享了金融行业的客户行为分析技术——大数据应用 。

以下为演讲实录：

93年国外有一句话，不知道电脑的那一端是不是一条狗，今天狗都知道你是谁了。我们也正好和北京一家银行合作做一些客户行为分析的应用，我记得两年前我有一个同学在工行电子银行部负责一摊事情，那时候他们就在聊，要去研究客户行为，要去做电子银行的行为分析。前两天给他打电话，你做出什么东西来了吗？告诉我，还在研究，发了点儿文章之类的。

但是，没有什么东西可以去落地。我们听到渠道越来越多，客户行为越来越复杂，也越来越挑剔，数据量越来越大。怎么把它应用到客户关系管理，风险管控中？这确实是很大的问题。现在确实有很多新的技术、新的方法，特别是创新，能够帮助我们做到一部分事情，但是也让机器理解你的客户行为，这还真是不太可能。

所以我们来看一看从客户行为分析来看一看能做到什么程度，我们的客户渠道有很多，电子渠道、网点，刚才曹利娟也讲到多渠道分析很重要。讲个例子，以电子渠道来讲这个话题，这是根据上市银行的年报披露的一些数据，叫电子渠道替代率，我们可以看到甚至有的银行已经达到了90%，而平均都在60、70%，如果你去比较去年和今年的数据这个幅度增长比例是很大的，可以看出我们国内的银行真的在电子渠道上下足了工夫。纯粹从量上来讲，像中国银行，我看到它的增长率是500%多，还有像交行，笔数增长率是200%，量的增长率是300%。所以我们可以从这个方面入手，来看一看我们能做哪些分析。当然，接下来多渠道也是必然我们能够覆盖的范围。

正好，国内某个银行去年的时候做了个统计分析。根据客户内部反馈，比如大家去银行的时候点满意不满意，各种各样的反馈有了这些问题，这些问题如果分类的话，可以看到电子渠道57%，线下渠道23%，两者兼优20%。像我个人，95%金融业务都是用电子渠道。但回头来看电子渠道中也有一些问题值得改进，比如电子渠道和其它渠道协同的问题，现在讲O2O，银行有没有O2O的可能呢？电子渠道，你的微信客户，这也是电子渠道一种新的方式，这些东西和大家现在说的网银，还有你在支付渠道上，你去淘宝买个东西还是要通过网银支付？所以这都是不同的电子渠道，只是各方面要协同，数据是不是足以支撑客户体验？然后是风险防控，在电子渠道运行的过程中是不是能够避免风险？比如有的银行推出自助刷卡，有没有风控的问题？

文思海辉我们也不断的在金融领域做很多新的方法、新的技术，我们创新中心也是和金融事业部紧密合作，包括移动、大数据、社交，甚至云，一起来合作、推进智慧金融的东西。从客户角度来讲，如何真正的实现以客户为中心？体现差异化的服务和产品，提供精准营销，提供一致的用户体验，后面来专注做一下。

这些方面当然有很多传统的方法可以做，包括搭建数据仓库，做很好的分析，包括前面马宁介绍的一些分析方法。结合现在一些新的趋势，数据的多样性，比如将来肯定要把ATM取款机的摄象头记录，因为也要综合分析进来，是不是这个人到这儿取款的，社交的数据、微信的数据，你吐槽的数据，能够一起来做。这样你可以更好的理解客户的兴趣、也好、消费习惯、理财习惯，等等等等，这些其实是传统你的交易数据之外一个很好的数据资产，能够为我们后面真正的把客户行为分析、价值提升做好。

下一步，有了这些数据资产，就可以提升客户的洞察，包括前面沈彬彬讲到的四维六度，甚至风险管理方面，能够提供很好的支撑。在真正做促销、做推荐，比如说做发卡、核卡等等这种时候，可以更好的去做业务决策。利用大数据的低成本、高效率的分析能力，建立非常多的模型也好、分析模式也好，甚至可以实现刚才许俊敏先生讲到的实时推送。

文思海辉我们也是基于业界一些成熟的技术，基于一些成熟的平台，在打造自己完整的大数据平台，最先的应用案例就是在金融行业。这里面覆盖了数据分析，商务智能、客户智能方面的内容。如何把复杂事件做处理？形成一个完整的统一平台，当然核心还是要利用Hadoop技术，在里面开发出适合银行客户、金融客户的分析模式。

举个简单的例子，刚才也有人提到点击流，在我的电子渠道上这是最直接的行为表现。基于点击流，到底有多少是从电商来的，有多少是从我的专业银行来的。刚刚后面我们在里面的操作，我们都可以把它记录下来，形成我们分析的基础。

下面给大家看一小段视频，也是我们在这方面做的研究成果的表现，也是和我们客户的需要很好的结合在一起的。第一部分是怎么收集这些点击流，第二部分做了支持分析的hadoop基础架构，之后是这些分析真正的应用场景。

首先我们看到，你在电子渠道做任何事情的时候，后面会有数据在跑，会把你的行为记录下来，后面会形成日志，在里面不管是页面切换的操作还是什么行为，我在后面相应的会把它记录下来。如果说几个人没关系，如果是几百万，中行应该有几百万电子银行的用户，还有一百万企业电子银行的客户，这个数据量原来任何一个数据仓库都承受不了，所以我们要用这个新的大数据系统来做。我录这个东西是在深圳，一般情况下我会在网银里查一查我还有多少钱，然后做一些操作，把钱转给别人或付个款。如果你经常这么操作，我就会把这个行为模式根据我们点击流的记录记录下来，形成一定的模式，然后在后面会用这个模式帮银行分析这个客户到底是怎样的。

第二个方面我们来看一看hadoop做了什么事情，在座的有多少人真正用过hadoop？这里就是hadoop，从架构上其实就是一堆数据节点，我真正去存储的时候还好，运算的时候会用自动的分派到这些数据节点上运算。我们在做这个案例的时候，我们搭建了这样一些数据节点。我们可以看到，在这里面跑到系统里看到有个wetail，这就是一些非结构化的数据。不同的节点存储了不同的点击流数据，经过分析可以变成后面可以进一步分析的内容，比如在这里面进行一些清洗，把它变成大家能看懂点儿的东西，然后做进一步分析。

这是hadoop的管理界面，可以看到你有哪些数据节点。然后，这就是我们在这里看到的经过分析的清晰的数据集，这里我们会把抓过来所有的数据进行分区、分组，然后在不同的节点里会有不同的记录，我们还有不同的分区，把数据放到里面，这就是我们分析之后的数据。这些数据就是大家能看的懂的，我们还会用zneoss来做监控，可以看到在这些节点上数据运行怎么样，CPU、存储是不是足够。

现在大家就把hadoop当成一个原始的数据存储，我们还可以把hadoop这些数据放到传统的数据仓库里做。把这些数据抓出来，通过图形展示给大家，IOS的用户可能就多给你点儿钱，Android的用户额度可能就低一点了，怎样的操作系统？这些其实都可以作为我们后面对客户细分或多或少的依据，北京、上海从地域去访问，这些是统计的。还有路径，这里面是怎么走的？有多少人走了多少步就不往下走了，我没有办法走完？还有电商、客户转化率，这些都可以通过进一步的分析来做。这些是设备的分析，用什么样移动设备的人最多？

后面我们会看，这样的分析，我们把数据抓过来，形成一定的模式，在真正的交易中，它能够发挥什么样的作用？我刚才的用户习惯是查一查有多少钱转帐汇款，我们要有一些防欺诈的措施，我如果在网吧登录，在不同的地点登录，都要有所区别。这些东西其实都可以在这套大数据系统里完成。

在整个行为分析的过程中，我们收集了相关的数据，但你推荐要进行综合分析，在这里面我们就要看这些客户不同的分类，对它进行四维六度的分析，对它可以进行有目的、精准的推荐和营销。但这同时我们有一些基于实时事件的分析，基于一些规则和行为模式，然后进行实时的营销。

另外，比如基于路径的分析，点到那不往下点了，我本来想做点儿别的业务，服务不好，把钱都取出来了，电子银行常见的这些体验分析结果，行为分析包括异常数据，等等等等，都可以做。

最后，除了点击流、除了客户行为分析，其实基于大数据，结合社交的数据、结合移动的数据，各有各的一些特点，我们可以把它们结合起来共同的打造所谓的智慧金融，这里面不光是技术本身，甚至也可以和用户一起，共同的打造这些东西，跟客户一起协同创新，把它真正的实施出来，最后也要不断的优化，因为这个过程必须是不断进化的过程，这个过程我们可以做的非常快，几个星期、一两个月就可以做金融的优化。